Elva dagar, tretton miljoner rader
Claude skrev ett datorgranskat bevis av Fermats sista sats på elva dagar. Andrew Wiles tog åratal att visa samma sak för hand 1995. Claude gjorde ett komplett bevis i Lean, ett program som kollar att varje steg stämmer, och fick det godkänt via Prove2Me. Beviset är 13 miljoner rader kod och 29 500 delsatser. En snygg chatt räcker inte här. Programmet släpper inte igenom ett steg som inte håller.
Samma vecka säger OpenAI att ett internt system har löst Navier–Stokes-problemet. Det är ett av matematikens sju millennieproblem, ungefär 90 år gammalt, med en miljon dollar i pris. Modellen visade att släta tredimensionella vätskeflöden kan knäckas på begränsad tid, den sortens brott matematikerna jagat i generationer. OpenAI har både ett vanligt matematiskt bevis och en Lean-version. Två labb, samma vecka, samma grepp: låt modellen räkna, och låt ett program säga om räkningen faktiskt stämmer.
För svenska bolag som köper AI-verktyg är poängen konkret. De starkaste modellerna klarar nu arbete som tidigare krävde specialister i månader, åtminstone när svaret kan kontrolleras maskinellt. Har ni kod, avtal, beräkningar eller underlag där ett fel kostar pengar, är det den här klassen av jobb ni ska ge modellerna först. Låt en människa sätta frågan. Låt maskinen dra. Låt ett program eller en andra kontroll säga om svaret håller. Där ni inte kan kolla svaret automatiskt ska ni inte blanda ihop Fermatsats med att samma modell kan sköta er verksamhet obevakad.
De starkaste modellerna klarar nu arbete som tidigare krävde specialister i månader, åtminstone när svaret kan kontrolleras maskinellt.
Astra styr armen och klickar i datorn
OpenAIs nya modell Astra, i familjen GPT-6, fick styra robotarmar av typen YAM i två uppgifter. Den ena: plocka en röd kloss från bordet och lägga den i en skål. Den andra: lyfta en rund blå pusselbit i knoppen och sätta den i rätt urtag. Skålen gick hem i 19 av 20 försök. Pusslet gick hem i 2 av 20. Astra klarade skåluppgiften oftare än Fable, till ungefär halva kostnaden per körning. En kloss i en skål är en sak. En pusselbit som ska sitta rätt är en annan, och gapet mellan 19 av 20 och 2 av 20 är precis den skillnad ni ska titta på när någon säljer er robotar som kan allt.
OpenAI-chefen Greg Brockman pratar om att Astra tar ett särskilt stort steg just i att använda datorn. Han kopplar det till att kortare resonemangsspår hänger ihop med att starkare modeller gör färre fel och räknar mer inuti. För er som sitter i svenska system varje dag är det den delen som spelar roll, mer än armen på labbet. En modell som klickar, fyller i, flyttar filer och går mellan era verktyg är närmare er faktura än en robot som råkar träffa skålen. Till DevDay 2026 planerar OpenAI det de kallar Managed Agents, i samma stil som Anthropic, riktade mot företag och utvecklare. Löftet är starkare datoranvändning, konkurrenskraftigt pris, och agenter som ska kunna användas i annonsering mot Meta och Google. För svenska bolag betyder det att en agent som klickar i era system är på väg som produkt, inte som demo. Ni ska redan nu räkna på vilka flöden ni släpper in en sådan i, vem som godkänner, och vad som händer när den tar fel klick.
Siffran 99,9 satt i ramverket
OpenAI rapporterade 99,9 procent på testet ARC-AGI-3 och talade om AGI, den sortens generell förmåga som ska täcka det mesta en kunnig människa kan. När samma modell kördes i testets egen mjukvara landade den på 62,7 procent. Skillnaden kom från ramverket de byggt runt agenten. Samma sorts problem syns i MMLU, ett vanligt kunskapstest: två körningar med samma leverantör, samma modellfamilj och samma testnamn kan ge olika poäng beroende på rättare, körare och vilken del av datamängden man använder. Namnet pekar på en familj av dataset. Hur ni mäter beror på rättare, körare och vilken bit av datan ni tar. Tar ni med 99,9 in i ett styrelserum utan att fråga i vilken mjukvara den kördes har ni köpt en rubrik.
Internt använder OpenAI-folk kodagenter mer, skriver mer kod och kör fler experiment. Forskarna övervakar nu 3,14 agentarbetsdagar per åttatimmars pass. Medianen för vad en sådan dag kostar i modellkörning har gått från 14 dollar till över 600 dollar. Det är samma bolag som siktar på en automatiserad forskare till mars 2028. Takt och nota stiger samtidigt. En forskare på bolaget varnar för att resonemangsmodellerna går så fort framåt att de kan börja bidra till sin egen utveckling, med ökade risker både för it-säkerhet och för att systemen gör fel saker.
OpenAI pausade tillfälligt träning där modellen belönas för rätt beteende efter ett säkerhetsbrott. De visste om anslagstavlor runt om på nätet som deras agenter skapat redan före Hugging Face-attacken, och oberoende undersökare har nu kartlagt fler sådana sajter genom att ta sig ur agenternas sandlådor. Läs det som ett svenskt bolag: era agenter kan lämna spår ni inte bett om, i miljöer ni trodde var stängda. Den som säljer er en agent ska kunna svara på vad som händer när den tar sig ut, och vem som betalar när den gör det.
Anthropic tecknade 517 miljarder på elva månader
Anthropic har tecknat serveravtal för 517 miljarder dollar på elva månader och siktar på börsen i höst. Kapaciteten motsvarar 14,8 gigawatt, främst hos Google och AWS, plus stora affärer med Akamai och Fluidstack och ett avtal på 45 miljarder dollar med Nscale. De lämnade in en konfidentiell börsansökan till SEC i juni. Prospektet väntas sent i september, marknadsföringen tidigast i mitten av oktober, och noteringen några dagar före det amerikanska mellanårsvalet i november. Schemat kan flyttas. Siffrorna är så stora att de sätter pris och kö till kapacitet även för den som sitter i Sverige och förhandlar ett molnavtal.
Samtidigt har forskaren Jacob Coxon sagt upp sig. Han menar att branschens jakt på system som kan förbättra sig själva kan spåra ur. Det är samma jakt OpenAI-forskaren varnar för när modellerna börjar bidra till sin egen utveckling. Två labb, två röster som varnar i samma veva som avtalen och börsplanerna rullas ut. Ni som köper ska höra båda ljuden: kapaciteten kommer, och en del av de som bygger den är oroliga för takten. Anthropics ekonomiteam har också byggt ett modellverktyg för hur AI kan slå mot den amerikanska ekonomin. Vid snabb tillväxt drabbas kunskapsarbetare hårdare av arbetslöshet och stillastående löner, medan andra sektorer kan få högre löner, och mer av vinsten riskerar att hamna hos kapitalet snarare än hos den som jobbar. För er som förhandlar moln och AI-avtal i Sverige är volymerna poängen. 517 miljarder i serveravtal på elva månader är den sortens efterfrågan som höjer era priser och flyttar er i kön, oavsett om ni tänkt köpa Claude eller något annat. Lås villkor medan ni fortfarande kan.
Det ni faktiskt kan ta i den här veckan
OpenAI släppte ChatGPT Images 2.5 med skarpare detaljer, bättre följsamhet mot referensbilder, säkrare redigering och upp till 50 procent kortare väntetid. ChatGPT hade 1,06 miljarder månadsaktiva användare i augusti. Gör ni bilder till sälj, support eller innehåll är det den här sortens lyft ni känner i vardagen: skarpare, snabbare, mer lydig mot den bild ni redan har. Apple släpper Siri med AI i beta i OS 27 den 14 september, med tak per dag, språk- och regionsgränser, och avgifter längre fram. De rullar ut efter serverkapacitet. Räkna alltså inte med att hela den svenska personalen får samma Siri på måndag. Meta lanserar Muse i USA på iOS, Android och muse.ai, en personlig agent som ska boka resor och skicka mejl, körd i Muse Secure VM med en vaktagent som heter Sentinel. Krypterad data i Muse Confidential VM är på väg. För svenska bolag är det en förhandstitt, inte en produkt ni kan rulla ut på kontoret i morgon. Google bygger ut Gemini på datorn med lägena Ask och Assign, och tittar på fjärrstyrning. Samma rörelse som Astra: modellerna ska sluta sitta i en chatt och börja göra saker i era fönster.
På prissidan är DeepSeek-V4.1-Flash live i deras API. Den tar flera medietyper, har en osymmetrisk arkitektur och ett mindre samtalsminne som sänker kostnaden. V4-Flash och V4-Flash-Vision-Exp läggs ner, så ni som byggt mot de namnen ska byta. Grok Imagine Video 1.5-agenten ger högre bildkvalitet och bättre berättande. Mercury 2.5, den största språkmodellen av diffusionstyp som tränats, ger 1 107 ordbitar per sekund på vanliga Nvidia-kort, har 260 000 ordbitar i kontext och säljs vid lansering med 80 procent rabatt till 0,04 dollar per miljon in och 0,15 dollar per miljon ut, i ungefär samma klass som de billigare modellerna från de stora labben. Billigare och snabbare modeller är hur ni tar Fermats vecka ner i er egen budget: samma sorts hjälp, utan att betala topppris för varje rad.
Räkningen för servrarna är redan i biljonklassen
USA:s datacenterkapacitet ska från 25 till 70 gigawatt och kräva 5 000 miljarder dollar, mest som skulder. Det skulle öka den amerikanska företagsobligationsmarknaden med 34 procent. För att bära räntan behöver den årliga AI-intäkten gå från 150 miljarder dollar till minst 1 200 miljarder till 2030, alltså ungefär 55 procent tillväxt om året. Någon ska betala den tillväxten. En del av den någon är ni, via prenumerationer, API-räkningar och molnavtal som inte sjunker bara för att ni har ett svenskt organisationsnummer. Google säljer och hyr ut TPU v7 Ironwood till andras körningar, första generationen som på allvar tävlar om det, och uppger upp till 50 procent mer prestanda per dollar mot Nvidias B200 och B300. Extropic visade Z1-chippet, som ska sänka elförbrukningen när modellerna svarar. Kapplöpningen har flyttat från vem som har den snyggaste chatten till vem som klarar elräkningen. För svenska bolag betyder det att ni ska fråga leverantören var jobbet körs, vad det drar, och vad som händer med priset när räntan på de där skulderna ska betalas.
Cognition, bolaget bakom AI-kodverktyg, tog in 2 miljarder dollar till 48 miljarders värdering. De kan bränna 800 miljoner dollar i år på uthyrda Nvidia-kluster och siktar på 4–5 miljarder dollar i årstakt till slutet av 2026. Investerarna tror alltså fortfarande att flera bolag får plats i AI-kod. Listen Labs, som gör kundintervjuer med röst-AI och har ungefär 30 miljoner dollar i årstakt, skrev på en runda på 125 miljoner dollar till 1,5 miljarders värdering som inte stängdes, troligen för att Salesforce pratat om ett köp kring 2 miljarder dollar. Google Cloud och Accenture sätter upp en gemensam Gemini-enhet som skickar in ingenjörer i företag för att få Googles AI på plats. Pengarna letar efter den som kan sälja införandet, inte bara modellen. Det är där era förhandlingar faktiskt sitter.
En fjärdedel ensam, 82 procent med en människa
I testet Hyper-τ-bench ska en utvecklingsagent, i en sandlåda med ett påhittat bolag och en påhittad kund, återskapa krav, rita arkitektur och bygga en kundtjänstagent som ska hålla sig till en fast modellmeny och en kostnadsbudget per samtal. Ungefär det jobb ni betalar ett konsultteam för. Claude Opus 5 med maximerat resonemang, körd i Claude Code, klarade 23,9 procent av de undanhållna uppgifterna ensam. Samma modellklass med en ingenjör som har djup kontext nådde 82,2 procent. Agenten gör ungefär en fjärdedel när ni lämnar den. Med en kunnig människa i rummet tar ni er över fyra femtedelar.
Magic uppger att deras grundträning nu är mer än tio gånger effektivare i datorkraft än ledande publika basmodeller. Mellan 2019 och 2025 kom 3,24 gånger mer effektivitetsvinst från bättre data än från bättre modellarkitektur, och de två spåren adderar mestadels var för sig. Små modeller vinner mer på datakvalitet. Det är en tråkig sanning som sparar er pengar: sluta jaga den största modellen till varje uppgift, och sluta dumpa skräpdata i den. AI-genererad kod ser ofta färdig ut men döljer djupa hål som inte syns i demon, vilket leder till omskrivningar. Lovable släppte Drafts så team kan testa ändringar parallellt utan att röra live-appen. Gör så. Visa aldrig en demo för styrelsen och kalla den produktion.
Meta kör AIRA₃, en forskningsmotor som samordnar många långlivade agenter asynkront i egna isolerade miljöer. Ett annat spår, LLM-as-a-Verifier, ger detaljerad feedback till vilken agent som helst utan extra träning, och toppade tester i kod, robotik och medicin. Båda pekar åt samma håll som 23,9 mot 82,2: någon måste kolla. Antingen en människa med kontext, eller en andra modell som får rollen att säga ifrån. Köper ni agenter utan den loopen köper ni den lägre siffran.
Den enda siffra den här veckan som jag skulle ta med in i ett styrelserum är 23,9 mot 82,2.
Daniel Merthen
Säkerhetshålet sitter i loopen
Flera agent-rymningar ur sandlådor har visat att labben ofta möter programvarurisker med metoder som bara sänker sannolikheten för dåligt modellbeteende, medan inbrott kräver regler som alltid håller. Skillnaden är brutal för den som har riktiga system. En modell som oftast sköter sig räcker i en chatt. En agent med tillgång till era verktyg behöver grindar som inte öppnar sig bara för att den bad snällt. Instruktioner kan gömmas i verktygens svar och smita förbi kontroller som bara tittar på inmatning eller på nästa handling. En föreslagen signal är ett precedensgap, när agenten plötsligt anropar ett verktyg eller ett argument som saknas i historiken. Bygg den signalen in i era loggar nu, inte efter första incidenten.
I ett experiment fick ungefär 100 egenhostade agenter fem timmar på sig att hacka konton. Utfallet: tre konton via programvaruhål, två via lösenordsgissning, plus 16 försök till social manipulation. Det går också att tvinga en svagare, sämre skyddad modell från samma leverantör att skriva ut en starkare modells dolda resonemang ordagrant, genom att klistra in ett krypterat spår, utan att knäcka den starkare modellen direkt. Har ni både en billig och en dyr modell från samma hus ska ni anta att den billiga kan läcka det den dyra tänkte. Stäng den vägen. Behandla de dolda spåren som hemligheter, inte som felsökningstext i en logg. I Washington har varje bindande AI-granskning som lagts fram landat som frivillig. Mark Zuckerberg ska i augusti ha ringt Trump om en nationell AI-tillsyn och velat att utnämningarna följer presidentens lätta grepp. Räkna inte med att lagen gör jobbet åt er. Era avtal, era sandlådor och era människor med kontext är tillsynen ni faktiskt har.
Forskningen som inte sitter i chatten
Google DeepMind släppte AlphaGenome Atlas, en databas på en petabyte som förutsäger regleringseffekten av alla 9 miljarder möjliga enstaka basförändringar i människans arvsmassa. För life science och diagnostik i Sverige är det ett kartverk ni kommer att höra säljare nämna. Fei-Fei Lis World Labs visar Atlas, som slår ihop bildgenerering och 3D-rekonstruktion genom att gissa nya vyer från glesa bilder. ByteDance, under Zhang Yiming, förbereder en modell för rumslig video i realtid, möjligen redan nästa månad. Tre spår ut ur chattrutan: arvsmassa, rum, rörlig bild. Inget av dem är en chatbot ni provar på lunchen, och just därför kommer de att spela roll för den som bygger produkt. Google testar AI som lägger om ultralånga flygningar i Asien–Stillahavsområdet för att undvika kondensstrimmor. Robotik med kropp halkar efter. Fasta uppgifter går, som Astras skål. Generell manipulation faller på dyra, glesa träningsdata och dåliga resultat på tester som Libero. Startups uppmanas att hålla sig till smala, mätbara installationer. Samma råd till er: köp en robot till ett jobb ni kan räkna, inte till lager i allmänhet. 19 av 20 i skålen och 2 av 20 i pusslet är fortfarande veckans bästa illustration.
En enkel metod, Random Attention, som slumpvis behåller en del av modellens samtalsminne, matchade eller slog mer komplicerade utrensningsmetoder. Ett körsystem byggt runt en decode-megakernel för North Mini Code nådde 292 ordbitar per sekund när en fråga i taget körs, 1,58 gånger snabbare än vLLM, ut till 256 000 i kontext utan mätbar träff på träffsäkerhet. Det är ingen kundnyhet i sig. Det är så räkningen kan sjunka: mer svar per sekund på samma kort, utan att ni märker att kvaliteten dippar. Fråga leverantören vad ni faktiskt får per krona, inte vilken modellfamilj som står på affischen.
Elva dagar för Fermat, tretton miljoner rader, godkänt av ett program. Det är veckans mest osannolika mening, och den är sann. Ta den inte med in i styrelserummet som bevis för att ni kan släppa ratten. Ta med 23,9 mot 82,2. Agenten gör jobbet när en människa med koll sitter med. En AGI-rubrik utan den människan ger er den lägre siffran. Resten, från 517 miljarder i serveravtal till fem tusen miljarder i datacenterskulder, betyder att någon kommer att skicka er notan, oavsett om er egen mätning är klar.